CN114010180A - 一种基于卷积神经网络的磁共振快速成像方法及装置 - Google Patents
一种基于卷积神经网络的磁共振快速成像方法及装置 Download PDFInfo
- Publication number
- CN114010180A CN114010180A CN202111306129.1A CN202111306129A CN114010180A CN 114010180 A CN114010180 A CN 114010180A CN 202111306129 A CN202111306129 A CN 202111306129A CN 114010180 A CN114010180 A CN 114010180A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- image
- sampling
- vector
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 33
- 238000005070 sampling Methods 0.000 claims abstract description 65
- 230000009466 transformation Effects 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 19
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Animal Behavior & Ethology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Surgery (AREA)
- Software Systems (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Fuzzy Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于卷积神经网络的磁共振快速成像方法及装置,其中,该方法包括:采集磁共振图像,对磁共振图像进行傅里叶变换得到k空间数据;零初始化长度为k空间数据行数的浮点类型向量,以构建图像重建网络,对k空间数据进行采样,对采样后的k空间数据进行傅里叶逆变换得到图像,输入图像重建网络,得到输出;计算图像重建网络的输出与目标图像的L1距离作为损失函数;根据训练得到的浮点类型向量得到二值采样向量,对磁共振仪编写采样序列,将采集的磁共振图像输入图像重建网络中,得到输出的高质量磁共振图像。本发明在实际使用中,按照磁共振采样序列采集磁共振图像,将图像输入到磁共振图像重建网络中,得到清晰的磁共振图像。
Description
技术领域
本发明涉及医学成像、深度学习技术领域,特别涉及一种基于卷积神经网络的磁共振快速成像方法及装置。
背景技术
在磁共振快速成像领域,部分k空间数据重建可以有效地加快成像速度,其核心思想是在对k空间进行采样的过程中不进行全采样,而是有选择地忽略一部分位置的数据,从而减少采样的次数以减少成像时间。笛卡尔采样是一种常用的欠采样模式,每次对二维k空间数据的一整行或一整列进行采样。采样得到的k空间数据经过傅里叶逆变换得到磁共振图像。
由于磁共振成像扫描时间长的原因,很多先进的技术比如心血管影像学、功能磁共振成像、磁共振光谱等尚未广泛使用。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种基于卷积神经网络的磁共振快速成像方法,在通过正常采样获取了用于训练的磁共振图像之后,对图像进行傅里叶变换得到k空间数据,输入到神经网络中,输出重建之后的图像。通过对网络进行训练优化其参数,实现高质量的磁共振的快速成像。
本发明的另一个目的在于提出一种基于卷积神经网络的磁共振快速成像装置。
为达到上述目的,本发明一方面提出了基于卷积神经网络的磁共振快速成像方法,包括以下步骤:采集磁共振图像,对磁共振图像进行傅里叶变换得到k空间数据;其中,k空间数据和对应的磁共振图像分别作为网络训练的输入和目标图像;零初始化长度为k空间数据行数的浮点类型向量,以构建图像重建网络,并用浮点类型向量对k空间数据进行采样,对采样后的k空间数据进行傅里叶逆变换得到图像,输入图像重建网络,得到输出;计算图像重建网络的输出与目标图像的L1距离作为损失函数,以同步优化浮点类型向量与图像重建网络;根据训练得到的浮点类型向量得到二值采样向量,对磁共振仪编写采样序列,将采集的磁共振图像输入图像重建网络中,得到输出的高质量磁共振图像。
本发明实施例的基于卷积神经网络的磁共振快速成像方法,在通过正常采样获取了用于训练的磁共振图像之后,对图像进行傅里叶变换得到k空间数据,输入到神经网络中,输出重建之后的图像。通过对网络进行训练优化其参数,实现高质量的磁共振的快速成像。
另外,根据本发明上述实施例的基于卷积神经网络的磁共振快速成像方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述根据训练得到的所述浮点类型向量得到二值采样向量,包括:将符号函数作用到所述浮点类型向量的每个元素上,大于等于零则映射为1,小于零则映射为0,得到和采样向量相同长度的二值向量,将所述二值向量中的每个与二维k空间数据的每一行相对应进行相乘,1代表进行采样,0代表不进行采样,以得到欠采样后的k空间数据。
进一步地,在本发明的一个实施例中,所述方法还包括:对所述采样向量的优化,在反向传播算法中,用二值化后的向量的梯度对所述采样向量进行更新,若元素的绝对值小于1则用梯度进行更新,若绝对值大于等于1则不更新。
进一步地,在本发明的一个实施例中,所述图像重建网络为输入和输出相同大小二维图像的网络。
进一步地,在本发明的一个实施例中,使用所述采集的磁共振图像对网络进行端到端训练,以预测图像与所述目标图像的L1距离作为损失函数优化网络参数。
为达到上述目的,本发明另一方面提出了一种基于卷积神经网络的磁共振快速成像装置,包括:采集变换模块,用于采集磁共振图像,对磁共振图像进行傅里叶变换得到k空间数据;其中,k空间数据和对应的磁共振图像分别作为网络训练的输入和目标图像;构建变换模块,用于零初始化长度为k空间数据行数的浮点类型向量,以构建图像重建网络,并用浮点类型向量对k空间数据进行采样,对采样后的k空间数据进行傅里叶逆变换得到图像,输入所述图像重建网络,得到输出;计算优化模块,用于计算图像重建网络的输出与目标图像的L1距离作为损失函数,以同步优化浮点类型向量与图像重建网络;输入输出模块,用于根据训练得到的浮点类型向量得到二值采样向量,对磁共振仪编写采样序列,将采集的磁共振图像输入图像重建网络中,得到输出的高质量磁共振图像。
本发明实施例的基于卷积神经网络的磁共振快速成像装置,在通过正常采样获取了用于训练的磁共振图像之后,对图像进行傅里叶变换得到k空间数据,输入到神经网络中,输出重建之后的图像。通过对网络进行训练优化其参数,实现高质量的磁共振的快速成像。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的基于卷积神经网络的磁共振快速成像方法流程图;
图2为根据本发明实施例的基于卷积神经网络的磁共振快速成像装置结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的于卷积神经网络的磁共振快速成像方法及装置,首先将参照附图描述根据本发明实施例提出的于卷积神经网络的磁共振快速成像方法。
图1是本发明一个实施例的于卷积神经网络的磁共振快速成像方法流程图。
如图1所示,该于卷积神经网络的磁共振快速成像方法包括以下步骤:
步骤S1,采集磁共振图像,对磁共振图像进行傅里叶变换得到k空间数据;其中,k空间数据和对应的磁共振图像分别作为网络训练的输入和目标图像。
可以理解的是,本发明可以使用图像采集装置对磁共振图像进行采集,本领域技术人员可以根据实际需求设定,本发明不做限制。
步骤S2,零初始化长度为k空间数据行数的浮点类型向量,以构建图像重建网络,并用浮点类型向量对k空间数据进行采样,对采样后的k空间数据进行傅里叶逆变换得到图像,输入所述图像重建网络,得到输出。
步骤S3,计算图像重建网络的输出与目标图像的L1距离作为损失函数,以同步优化浮点类型向量与所述图像重建网络。
步骤S4,根据训练得到的浮点类型向量得到二值采样向量,对磁共振仪编写采样序列,将采集的磁共振图像输入所述图像重建网络中,得到输出的高质量磁共振图像。
可以里理解的是,在使用时,先根据训练得到的向量得到二值采样向量,其中0代表不采样对应行,1代表采样对应行,对磁共振仪编写采样序列。将仪器采集得到的磁共振图像输入重建网络中,得到输出的高质量磁共振图像。
由此本发明提出可学习的笛卡尔采样矩阵方法,采样矩阵不再由人为设计,而是通过深度学习端到端地训练得到。
进一步,对本发明的具体操作进行阐述:
本发明采样向量的二值化与采样过程:将符号函数作用到向量的每个元素上,大于等于零则映射为1,小于零则映射为0,得到和采样向量相同长度的二值向量。将二值向量中的每个与二维k空间数据的每一行相对应进行相乘,1代表对该行进行采样,0代表不进行采样,从而得到欠采样后的k空间数据。采样向量与k空间数据相乘模拟了磁共振仪中的欠采样过程。
本发明的采样向量的优化算法:在反向传播算法中,用二值化后的向量的梯度对采样向量进行有选择地更新,若元素的绝对值小于1则用梯度进行更新,若绝对值大于等于1则不更新。
本发明的图像重建网络:一个输入和输出为相同大小二维图像的网络,包括但不限于U-Net和V-Net,具体结构本发明不做具体限制。
本发明的网络的端到端训练优化:使用正常采样的磁共振图像对整个网络进行端到端训练,以预测图像与目标图像的L1距离作为损失函数优化网络参数。
根据本发明实施例的基于卷积神经网络的磁共振快速成像方法,包括以下步骤:采集磁共振图像,对磁共振图像进行傅里叶变换得到k空间数据;其中,k空间数据和对应的磁共振图像分别作为网络训练的输入和目标图像;零初始化长度为k空间数据行数的浮点类型向量,以构建图像重建网络,并用浮点类型向量对k空间数据进行采样,对采样后的k空间数据进行傅里叶逆变换得到图像,输入图像重建网络,得到输出;计算图像重建网络的输出与目标图像的L1距离作为损失函数,以同步优化浮点类型向量与图像重建网络;根据训练得到的浮点类型向量得到二值采样向量,对磁共振仪编写采样序列,将采集的磁共振图像输入图像重建网络中,得到输出的高质量磁共振图像。本发明通过对网络进行训练优化其参数,实现高质量的磁共振的快速成像。
其次参照附图描述根据本发明实施例提出的基于卷积神经网络的磁共振快速成像装置。
图2是本发明一个实施例的基于卷积神经网络的磁共振快速成像装置结构示意图。
如图2所示,该基于卷积神经网络的磁共振快速成像装置10包括:采集变换模块100、构建变换模块200、计算优化模块300和输入输出模块400。
采集变换模块100,用于采集磁共振图像,对磁共振图像进行傅里叶变换得到k空间数据;其中,k空间数据和对应的磁共振图像分别作为网络训练的输入和目标图像;
构建变换模块200,用于零初始化长度为k空间数据行数的浮点类型向量,以构建图像重建网络,并用浮点类型向量对k空间数据进行采样,对采样后的k空间数据进行傅里叶逆变换得到图像,输入图像重建网络,得到输出;
计算优化模块300,用于计算图像重建网络的输出与目标图像的L1距离作为损失函数,以同步优化浮点类型向量与图像重建网络;
输入输出模块400,用于根据训练得到的浮点类型向量得到二值采样向量,对磁共振仪编写采样序列,将采集的磁共振图像输入图像重建网络中,得到输出的高质量磁共振图像。
根据本发明实施例的基于卷积神经网络的磁共振快速成像装置,包括:采集变换模块,用于采集磁共振图像,对磁共振图像进行傅里叶变换得到k空间数据;其中,k空间数据和对应的磁共振图像分别作为网络训练的输入和目标图像;构建变换模块,用于零初始化长度为k空间数据行数的浮点类型向量,以构建图像重建网络,并用浮点类型向量对k空间数据进行采样,对采样后的k空间数据进行傅里叶逆变换得到图像,输入所述图像重建网络,得到输出;计算优化模块,用于计算图像重建网络的输出与目标图像的L1距离作为损失函数,以同步优化浮点类型向量与图像重建网络;输入输出模块,用于根据训练得到的浮点类型向量得到二值采样向量,对磁共振仪编写采样序列,将采集的磁共振图像输入图像重建网络中,得到输出的高质量磁共振图像。本发明通过对网络进行训练优化其参数,实现高质量的磁共振的快速成像。
需要说明的是,前述对基于卷积神经网络的磁共振快速成像方法实施例的解释说明也适用于该装置,此处不再赘述。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于卷积神经网络的磁共振快速成像方法,其特征在于,包括以下步骤:
采集磁共振图像,对所述磁共振图像进行傅里叶变换得到k空间数据;其中,所述k空间数据和对应的磁共振图像分别作为网络训练的输入和目标图像;
零初始化长度为k空间数据行数的浮点类型向量,以构建图像重建网络,并用所述浮点类型向量对所述k空间数据进行采样,对采样后的k空间数据进行傅里叶逆变换得到图像,输入所述图像重建网络,得到输出;
计算所述图像重建网络的输出与所述目标图像的L1距离作为损失函数,以同步优化所述浮点类型向量与所述图像重建网络;
根据训练得到的所述浮点类型向量得到二值采样向量,对磁共振仪编写采样序列,将所述采集的磁共振图像输入所述图像重建网络中,得到输出的高质量磁共振图像。
2.根据权利要求1所述的基于卷积神经网络的磁共振快速成像方法,其特征在于,所述根据训练得到的所述浮点类型向量得到二值采样向量,包括:
将符号函数作用到所述浮点类型向量的每个元素上,大于等于零则映射为1,小于零则映射为0,得到和采样向量相同长度的二值向量,将所述二值向量中的每个与二维k空间数据的每一行相对应进行相乘,1代表进行采样,0代表不进行采样,以得到欠采样后的k空间数据。
3.根据权利要求2所述的基于卷积神经网络的磁共振快速成像方法,其特征在于,所述方法还包括:对所述采样向量的优化,在反向传播算法中,用二值化后的向量的梯度对所述采样向量进行更新,若元素的绝对值小于1则用梯度进行更新,若绝对值大于等于1则不更新。
4.根据权利要求3所述的基于卷积神经网络的磁共振快速成像方法,其特征在于,所述图像重建网络为输入和输出相同大小二维图像的网络。
5.根据权利要求4所述的基于卷积神经网络的磁共振快速成像方法,其特征在于,使用所述采集的磁共振图像对网络进行端到端训练,以预测图像与所述目标图像的L1距离作为损失函数优化网络参数。
6.一种基于卷积神经网络的磁共振快速成像装置,其特征在于,包括以下步骤:
采集变换模块,用于采集磁共振图像,对所述磁共振图像进行傅里叶变换得到k空间数据;其中,所述k空间数据和对应的磁共振图像分别作为网络训练的输入和目标图像;
构建变换模块,用于零初始化长度为k空间数据行数的浮点类型向量,以构建图像重建网络,并用所述浮点类型向量对所述k空间数据进行采样,对采样后的k空间数据进行傅里叶逆变换得到图像,输入所述图像重建网络,得到输出;
计算优化模块,用于计算所述图像重建网络的输出与所述目标图像的L1距离作为损失函数,以同步优化所述浮点类型向量与所述图像重建网络;
输入输出模块,用于根据训练得到的所述浮点类型向量得到二值采样向量,对磁共振仪编写采样序列,将所述采集的磁共振图像输入所述图像重建网络中,得到输出的高质量磁共振图像。
7.根据权利要求6所述的基于卷积神经网络的磁共振快速成像装置,其特征在于,所述输入输出模块,还用于:
将符号函数作用到所述浮点类型向量的每个元素上,大于等于零则映射为1,小于零则映射为0,得到和采样向量相同长度的二值向量,将所述二值向量中的每个与二维k空间数据的每一行相对应进行相乘,1代表进行采样,0代表不进行采样,以得到欠采样后的k空间数据。
8.根据权利要求7所述的基于卷积神经网络的磁共振快速成像装置,其特征在于,所述装置还包括:采样优化模块,用于对所述采样向量的优化,在反向传播算法中,用二值化后的向量的梯度对所述采样向量进行更新,若元素的绝对值小于1则用梯度进行更新,若绝对值大于等于1则不更新。
9.根据权利要求8所述的基于卷积神经网络的磁共振快速成像装置,其特征在于,所述图像重建网络为输入和输出相同大小二维图像的网络。
10.根据权利要求9所述的基于卷积神经网络的磁共振快速成像装置,其特征在于,还包括:训练优化模块,用于使用所述采集的磁共振图像对网络进行端到端训练,以预测图像与所述目标图像的L1距离作为损失函数优化网络参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111306129.1A CN114010180B (zh) | 2021-11-05 | 2021-11-05 | 一种基于卷积神经网络的磁共振快速成像方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111306129.1A CN114010180B (zh) | 2021-11-05 | 2021-11-05 | 一种基于卷积神经网络的磁共振快速成像方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114010180A true CN114010180A (zh) | 2022-02-08 |
CN114010180B CN114010180B (zh) | 2024-04-26 |
Family
ID=80061392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111306129.1A Active CN114010180B (zh) | 2021-11-05 | 2021-11-05 | 一种基于卷积神经网络的磁共振快速成像方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114010180B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115836855A (zh) * | 2023-02-22 | 2023-03-24 | 首都医科大学附属北京朝阳医院 | 一种移动式磁共振设备成像方法、装置、存储介质及终端 |
CN116091758A (zh) * | 2022-09-09 | 2023-05-09 | 锋睿领创(珠海)科技有限公司 | 基于细节提取的图像处理方法、装置、设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107182216A (zh) * | 2015-12-30 | 2017-09-19 | 中国科学院深圳先进技术研究院 | 一种基于深度卷积神经网络的快速磁共振成像方法及装置 |
CN108535675A (zh) * | 2018-04-08 | 2018-09-14 | 朱高杰 | 一种基于深度学习和数据自洽的磁共振多通道重建方法 |
CN108828481A (zh) * | 2018-04-24 | 2018-11-16 | 朱高杰 | 一种基于深度学习和数据一致性的磁共振重建方法 |
CN109350061A (zh) * | 2018-11-21 | 2019-02-19 | 成都信息工程大学 | 基于深度卷积神经网络的磁共振成像方法 |
CN110378980A (zh) * | 2019-07-16 | 2019-10-25 | 厦门大学 | 一种基于深度学习的多通道磁共振图像重建方法 |
US20200033431A1 (en) * | 2018-07-30 | 2020-01-30 | Jo Schlemper | Deep learning techniques for magnetic resonance image reconstruction |
CN111951344A (zh) * | 2020-08-09 | 2020-11-17 | 昆明理工大学 | 一种基于级联并行卷积网络的磁共振图像重建方法 |
CN112734869A (zh) * | 2020-12-15 | 2021-04-30 | 杭州电子科技大学 | 基于稀疏复数u型网络的快速磁共振成像方法 |
CN113077527A (zh) * | 2021-03-16 | 2021-07-06 | 天津大学 | 一种基于欠采样的快速磁共振图像重建方法 |
CN113096208A (zh) * | 2021-03-16 | 2021-07-09 | 天津大学 | 基于双域交替卷积的神经网络磁共振图像的重建方法 |
CN113379867A (zh) * | 2021-07-05 | 2021-09-10 | 北京大学深圳研究生院 | 一种基于联合优化采样矩阵的核磁共振图像重建方法 |
-
2021
- 2021-11-05 CN CN202111306129.1A patent/CN114010180B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107182216A (zh) * | 2015-12-30 | 2017-09-19 | 中国科学院深圳先进技术研究院 | 一种基于深度卷积神经网络的快速磁共振成像方法及装置 |
CN108535675A (zh) * | 2018-04-08 | 2018-09-14 | 朱高杰 | 一种基于深度学习和数据自洽的磁共振多通道重建方法 |
CN108828481A (zh) * | 2018-04-24 | 2018-11-16 | 朱高杰 | 一种基于深度学习和数据一致性的磁共振重建方法 |
US20200033431A1 (en) * | 2018-07-30 | 2020-01-30 | Jo Schlemper | Deep learning techniques for magnetic resonance image reconstruction |
CN109350061A (zh) * | 2018-11-21 | 2019-02-19 | 成都信息工程大学 | 基于深度卷积神经网络的磁共振成像方法 |
CN110378980A (zh) * | 2019-07-16 | 2019-10-25 | 厦门大学 | 一种基于深度学习的多通道磁共振图像重建方法 |
CN111951344A (zh) * | 2020-08-09 | 2020-11-17 | 昆明理工大学 | 一种基于级联并行卷积网络的磁共振图像重建方法 |
CN112734869A (zh) * | 2020-12-15 | 2021-04-30 | 杭州电子科技大学 | 基于稀疏复数u型网络的快速磁共振成像方法 |
CN113077527A (zh) * | 2021-03-16 | 2021-07-06 | 天津大学 | 一种基于欠采样的快速磁共振图像重建方法 |
CN113096208A (zh) * | 2021-03-16 | 2021-07-09 | 天津大学 | 基于双域交替卷积的神经网络磁共振图像的重建方法 |
CN113379867A (zh) * | 2021-07-05 | 2021-09-10 | 北京大学深圳研究生院 | 一种基于联合优化采样矩阵的核磁共振图像重建方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116091758A (zh) * | 2022-09-09 | 2023-05-09 | 锋睿领创(珠海)科技有限公司 | 基于细节提取的图像处理方法、装置、设备及存储介质 |
CN116091758B (zh) * | 2022-09-09 | 2023-08-25 | 锋睿领创(珠海)科技有限公司 | 基于细节提取的图像处理方法、装置、设备及存储介质 |
CN115836855A (zh) * | 2023-02-22 | 2023-03-24 | 首都医科大学附属北京朝阳医院 | 一种移动式磁共振设备成像方法、装置、存储介质及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN114010180B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108896943B (zh) | 一种磁共振定量成像方法和装置 | |
CN109633502B (zh) | 磁共振快速参数成像方法及装置 | |
CN114010180A (zh) | 一种基于卷积神经网络的磁共振快速成像方法及装置 | |
CN111870245B (zh) | 一种跨对比度引导的超快速核磁共振成像深度学习方法 | |
US11346911B2 (en) | Magnetic resonance fingerprinting image reconstruction and tissue parameter estimation | |
US10871535B2 (en) | Magnetic resonance fingerprinting optimization in magnetic resonance imaging | |
CN110490947B (zh) | 核磁共振图像重建方法、装置、存储介质及终端设备 | |
Chen et al. | Compressive mr fingerprinting reconstruction with neural proximal gradient iterations | |
US20230044166A1 (en) | Accelerated time domain magnetic resonance spin tomography | |
CN114167334B (zh) | 磁共振图像的重建方法、装置及电子设备 | |
CN111063000B (zh) | 基于神经网络结构搜索的磁共振快速成像方法和装置 | |
Liberman et al. | Minimal linear networks for magnetic resonance image reconstruction | |
CN110751061B (zh) | 基于sar网络的sar图像识别方法、装置、设备和存储介质 | |
CN112581385A (zh) | 基于多先验约束扩散峰度成像张量估计方法、介质和设备 | |
CN104360295A (zh) | 基于字典学习的磁共振并行成像方法和装置 | |
CN115356672B (zh) | 多维磁共振成像方法、系统及存储介质 | |
CN116626570A (zh) | 多对比度mri采样和图像重建 | |
CN112336337B (zh) | 磁共振参数成像模型的训练方法及训练装置、介质和设备 | |
CN115471580A (zh) | 一种物理智能高清磁共振扩散成像方法 | |
CN114722942A (zh) | 设备故障诊断方法、装置、电子设备及存储介质 | |
CN113050009B (zh) | 三维磁共振快速参数成像方法和装置 | |
CN111241725B (zh) | 基于条件生成对抗网络的结构响应重构方法 | |
CN114972562B (zh) | 联合线圈灵敏度估计与图像重建的快速磁共振成像方法 | |
CN113034639B (zh) | 一种基于可分离汉克尔矩阵的磁共振成像的图像重建方法 | |
CN117333571B (zh) | 磁共振图像的重建方法、系统、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |